CN111008870A - 一种基于pca-bp神经网络模型的区域物流需求预测方法 - Google Patents
一种基于pca-bp神经网络模型的区域物流需求预测方法 Download PDFInfo
- Publication number
- CN111008870A CN111008870A CN201911248308.7A CN201911248308A CN111008870A CN 111008870 A CN111008870 A CN 111008870A CN 201911248308 A CN201911248308 A CN 201911248308A CN 111008870 A CN111008870 A CN 111008870A
- Authority
- CN
- China
- Prior art keywords
- output
- logistics
- data
- pca
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000000513 principal component analysis Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 238000013439 planning Methods 0.000 description 6
- 230000008676 import Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于PCA‑BP神经网络模型的区域物流需求预测方法,本发明通过PCA算法降低数据特征的维度,尽可能的保存了原始数据的信息量,把有效的数据信息提取压缩,优化了数据。其次利用BP算法模型较强的非线性拟合能力,把影响区域物流需求的影响因素和物流运货量进行较佳的数学建模,最终使得预测准确率达到了94.5%,并且在网络性能、计算速度、消费存储方面也有相应的优化。通过PCA‑BP算法能较好地完成区域物流的预测分析。
Description
技术领域
本发明涉及物流需要预测领域,特别是涉及一种基于PCA-BP神经网络模型的区域物流需求预测方法。
背景技术
现代物流已成为调整经济结构,转变经济增长方式的重要途径。对区域物流需求量进行科学精确的规划管理,有利于政府部门科学制定物流规划、合理配置物流资源及制定物流产业发展政策提供决策依据,此外合理的物流规划也是保证物流供给、调整物流供需平衡的基础。区域物流需求预测是区域物流系统规划、物流资源合理配置过程中的重要环节,而区域经济是产生区域物流需求的内在决定性因素,因此寻求利用区域经济指标来预测区域物流需求具有较强的可行性,同时能够促使区域物流产业与区域经济之间的协调发展。由此可见物流需求预测是区域物理系统规划、物流资源合理配置过程中的重要环节。因此研究区域物流需求预测具有重要的理论和现实意义。
区域物流管理中的一个重要问题是区域物流合理化,其中重要的问题就是如何精准的预测区域物流的需求。传统的物流预测常用的定量预测方法分为因果关系分析的回归模型预测法和时间序列分析的趋势外推预测法。但是这些方法在一定程度上都存在局限性,预测能力不足,不能达到理想的预测结果。其中物流量与预测影响因素方面存在高度的非线性,传统的预测模型难以实现该任务,造成预测结果的严重失真。自从人工神经网络的出现为解决非线性预测问题提供了较好的方案。同时人工神经网络为区域物流需求预测提供了一种全新的思路和方法,利用人工神经元网络具有较好的非线性和自适应能力、学习能力和映射能力,能够实现非线性关系的映射。
PCA主成分分析方法可以从高维度数据中提取出有用的信息,将具有相关性的原始高维度数据进行线性无关的映射至低维空间,从而实现在尽可能保留数据信息的情况下降维数据。将影响区域物流需求的因素映射到低维空间并提取出特征中的主要信息成分。然后利用BP神经网络优越的非线性预测能力完成区域物流需求的预测。
发明内容
为了解决以上问题,本发明的技术方案为一种基于PCA-BP神经网络模型的区域物流需求预测方法,通过BP神经网络建立数学模型来描述预测区域物流的需求,并且利用PCA算法优化特征改进BP算法模型,使得预测区域需求模型性能更加优越,为达此目的,本发明提供一种基于PCA-BP神经网络模型的区域物流需求预测方法,其特征在于,包括如下步骤:
步骤1:将获取的数据进行转化整合,影响区域物流需求的数据特征多且数据结构复杂,在进行数据处理之前需要先进行数据的转化整合处理,将各数据归一化,归一化的数据有利于后续的PCA及BP算法模型的建立;
步骤2:建立影响区域物流预测的特征数据库;
步骤3:将数据库中的原始数据划分一部分数据为测试数据,用于测试优化算法后的模型有效性,剩余的数据作为建立模型的训练数据;
步骤4:采用PCA降维算法将原始八维特征做降维处理,在贡献率保证的情况下完成数据建模前的预处理;
步骤5:构造BP神经网络模型,将影响区域物流预测的特征值作为网络输入,输出为预测物流货运量Y参数,即网络输入量和输出量的维数分别为8和1;
BP神经网络的输入经过一个隐含层得到输出Hl,公式如下:
式中,xi为输入向量,vi1为输入层到隐含层的权重,al为隐含层的阈值,n为输入向量维数,l为隐含层节点数,f1为输入层到隐含层的传递函数;
隐含层的输出Hl又经过由隐含层到输出层之间的权重w00,w01,…,wl-1,m-1和输出层的阈值b0,b1,…,bm-1构成的映射关系得到最终的输出Ym,公式如下;
式中,Hi为隐含层的输出向量,wim为隐含层到输出层的权重,bm为输出层的阈值,m为输出向量维数,f2为隐含层到输出层的传递函数;
望输出用OK表示,总的误差用残差平方和E表示,公式如下。
式中,m为输出向量的维数;
根据反向传播原理,尽可能使得输出的残差平方和E最小即可达到拟合的目的;
步骤6:通过不断调整BP神经网络参数达到最佳的预测效果;
步骤7:利用测试数据测试基于PCA-BP神经网络模型的区域物流需求预测。
作为本发明进一步改进,所述步骤2数据库中每个样本包括地区域国民生产总值GDP的比例X1,第一产业占GDP的比例X2,第二产业占GDP的比例X3,第三产业占GDP的比例X4,进出口贸易总额X5,社会消费品零售总额X6,区域内城镇居民人均可支配收入X7,网络用户数X8八个特征和一个预测输出物流货运量Y。
本发明一种基于PCA-BP神经网络模型的区域物流需求预测方法,有如下有益效果:
1、本发明通过BP神经网络较强的非线性预测能力较好地完成了区域物流影响因素和区域物流需求之间的非线性关系拟合,能够精确地预测区域物流需求。
2、本发明BP神经网络预测模型结合PCA算法融合算法模型,该模型在物流需求预测中具有可靠性和稳定性。
3、通过PCA改进后的特征维度低,使得算法性能更加优越、计算速度更快、预测精度更高。
4、通过科学定量的需求预测,可以使得区域物流科学规划和决策,精准的需求预测将会寻找区域经济与区域物流之间的内在关系,并为区域物流规划提供必要的决策数据和依据。
附图说明
图1是本发明整体算法原理流程图;
图2是本发明PCA算法原理图;
图3是本发明BP神经网络构建图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明的技术方案为一种基于PCA-BP神经网络模型的区域物流需求预测方法,通过BP神经网络建立数学模型来描述预测区域物流的需求,并且利用PCA算法优化特征改进BP算法模型,使得预测区域需求模型性能更加优越。
本发明拟通过PCA(Principal Component Analysis)降维算法优化数据,地区国民生产总值GDP的比例X1,第一产业占GDP的比例X2,第二产业占GDP的比例X3,第三产业占GDP的比例X4,进出口贸易总额X5,社会消费品零售总额X6,区域内城镇居民人均可支配收入X7,网络用户数X8八个特征压缩降维。计算PCA之后的主成分贡献率,当主成分贡献率满足信息量要求的情况下降低维度。将优化后的数据送入BP算法模型中完成区域物流需求的预测,预测参数为物流货运量Y。通过PCA后的BP模型能够提高算法预测模型鲁棒性和预测准确性。
本发明的整体算法原理流程如图1所示。
首先通过对影响区域物流需求的因素进行分析收集,在区域物流需求的量度指标上,我国目前普遍采用以物流量,即为物流运货量Y,作为衡量物流需求规模的量度指标,把货运量作为进行物流量分析的类比指标来进行物流需求的预测与分析。影响区域物流需求的因素宏观上主要有区域经济规模,其是区域物流需求的决定性因素。其次产业结构的差异对物流需求量也有着较大影响;最后区域经济空间布局、区域经济发展也会在一定程度上影响物流需求。通过分析研究,选择主要的区域国民生产总值(GDP)X1,第一产业占GDP的比例X2,第二产业占GDP的比例X3,第三产业占GDP的比例X4,进出口贸易总额X5,社会消费品零售总额X6,区域内城镇居民人均可支配收入X7,网络用户数X8八个影响区域物流需求的因素作为特征值来分析,预测物流运货量Y。
将获取的数据进行转化整合,影响区域物流需求的数据特征多且数据结构复杂,在进行数据处理之前需要先进行数据的转化整合处理。将各数据归一化,归一化的数据有利于后续的PCA及BP算法模型的建立。归一化在0到1区间内的数据比较稳定和可靠,模型鲁棒性能较好,能够避免很多建模问题。然后把转化整合后的数据建立数据库,影响区域物流预测的特征数据库包括包括地区域国民生产总值(GDP)X1第一产业占GDP的比例X2,第二产业占GDP的比例X3,第三产业占GDP的比例X4,进出口贸易总额X5,社会消费品零售总额X6,区域内城镇居民人均可支配收入X7,网络用户数X8八个特征和一个预测输出物流货运量Y。
把数据库中的数据进行训练样本和测试样本划分,其中一小部分作为测试样本用于测试模型的有效性,其余的数据样本作为训练模型的训练样本,完成BP模型的建立。
完成建模前的数据准备工作后,首先将数据送入PCA算法模型中,利用PCA降维数据维度。计算PCA转换后数据的贡献率,在满足信息量的情况下尽可能的降低数据维度,本发明中经过PCA降低维度后3个主成分的累计贡献率可以达到96.4%,所以经过PCA后的数据降维到3维度。PCA算法模型原理如图2所示。然后将优化处理后的数据特征送入建立好的BP神经网络模型中进行训练。其中不断调整BP神经网络的参数设置,包括网络隐含层节点数、网络层数、训练算法、迭代次数、迭代误差、学习率等参数,不断调整使得预测模型性能越加优越。
BP神经网络的输入经过一个隐含层得到输出Hl,公式如下:
式中,xi为输入向量,vi1为输入层到隐含层的权重,al为隐含层的阈值,n为输入向量维数,l为隐含层节点数,f1为输入层到隐含层的传递函数。
隐含层的输出Hl又经过由隐含层到输出层之间的权重w00,w01,…,wl-1,m-1和输出层的阈值b0,b1,…,bm-1构成的映射关系得到最终的输出Ym,公式如下。
式中,Hi为隐含层的输出向量,wim为隐含层到输出层的权重,bm为输出层的阈值,m为输出向量维数,f2为隐含层到输出层的传递函数。
望输出用OK表示,总的误差用残差平方和E表示,公式如下。
式中,m为输出向量的维数。
根据反向传播原理,尽可能使得输出的残差平方和E最小即可达到拟合的目的。
该算法模型基于Matlab2016b构建BP神经网络,网络结构包括一个输入层、一个隐含层和一个输出层,其结构如图3所示,其余参数设置如下:
1、节点数:设置输入层、输出层节点数分别为8和1,经过多次训练试验确定隐含层节点数为12。
2、传递函数:层隐含层之间的传递函数分别为‘logsig’函数。
3、训练函数和学习函数分别设置为‘trainlm’
4、训练结束的条件:最大训练次数为500000,训练目标误差为0.001,最小允许梯度值为1e-7,学习速率为0.0005。
5、利用‘mse’函数评估网络性能。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.一种基于PCA-BP神经网络模型的区域物流需求预测方法,其特征在于,包括如下步骤:
步骤1:将获取的数据进行转化整合,影响区域物流需求的数据特征多且数据结构复杂,在进行数据处理之前需要先进行数据的转化整合处理,将各数据归一化,归一化的数据有利于后续的PCA及BP算法模型的建立;
步骤2:建立影响区域物流预测的特征数据库;
步骤3:将数据库中的原始数据划分一部分数据为测试数据,用于测试优化算法后的模型有效性,剩余的数据作为建立模型的训练数据;
步骤4:采用PCA降维算法将原始八维特征做降维处理,在贡献率保证的情况下完成数据建模前的预处理;
步骤5:构造BP神经网络模型,将影响区域物流预测的特征值作为网络输入,输出为预测物流货运量Y参数,即网络输入量和输出量的维数分别为8和1;
BP神经网络的输入经过一个隐含层得到输出Hl,公式如下:
式中,xi为输入向量,vi1为输入层到隐含层的权重,al为隐含层的阈值,n为输入向量维数,l为隐含层节点数,f1为输入层到隐含层的传递函数;
隐含层的输出Hl又经过由隐含层到输出层之间的权重w00,w01,…,wl-1,m-1和输出层的阈值b0,b1,…,bm-1构成的映射关系得到最终的输出Ym,公式如下;
式中,Hi为隐含层的输出向量,wim为隐含层到输出层的权重,bm为输出层的阈值,m为输出向量维数,f2为隐含层到输出层的传递函数;
望输出用OK表示,总的误差用残差平方和E表示,公式如下。
式中,m为输出向量的维数;
根据反向传播原理,尽可能使得输出的残差平方和E最小即可达到拟合的目的;
步骤6:通过不断调整BP神经网络参数达到最佳的预测效果;
步骤7:利用测试数据测试基于PCA-BP神经网络模型的区域物流需求预测。
2.根据权利要求1所述的一种基于PCA-BP神经网络模型的区域物流需求预测方法,其特征在于:所述步骤2数据库中每个样本包括地区域国民生产总值GDP的比例X1,第一产业占GDP的比例X2,第二产业占GDP的比例X3,第三产业占GDP的比例X4,进出口贸易总额X5,社会消费品零售总额X6,区域内城镇居民人均可支配收入X7,网络用户数X8八个特征和一个预测输出物流货运量Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911248308.7A CN111008870A (zh) | 2019-12-09 | 2019-12-09 | 一种基于pca-bp神经网络模型的区域物流需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911248308.7A CN111008870A (zh) | 2019-12-09 | 2019-12-09 | 一种基于pca-bp神经网络模型的区域物流需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111008870A true CN111008870A (zh) | 2020-04-14 |
Family
ID=70114043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911248308.7A Pending CN111008870A (zh) | 2019-12-09 | 2019-12-09 | 一种基于pca-bp神经网络模型的区域物流需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008870A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915099A (zh) * | 2020-08-17 | 2020-11-10 | 北京交通大学 | 一种货运信息可视化的货运量预测系统 |
CN112014791A (zh) * | 2020-08-28 | 2020-12-01 | 陕西理工大学 | 存在阵列误差的阵列pca-bp算法的近场源定位方法 |
CN112200443A (zh) * | 2020-09-30 | 2021-01-08 | 山东财经大学 | 基于农产品冷链物流需求的物流节点布局优化方法及系统 |
CN112232746A (zh) * | 2020-11-03 | 2021-01-15 | 金陵科技学院 | 基于注意力加权的冷链物流需求估计方法 |
CN116136989A (zh) * | 2023-04-14 | 2023-05-19 | 江苏物润船联网络股份有限公司 | 一种基于bp神经网络算法的港口货物流向统计方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913153A (zh) * | 2016-04-13 | 2016-08-31 | 广西财经学院 | 一种多维数据特征相似性测量的目标预测方法 |
CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
-
2019
- 2019-12-09 CN CN201911248308.7A patent/CN111008870A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913153A (zh) * | 2016-04-13 | 2016-08-31 | 广西财经学院 | 一种多维数据特征相似性测量的目标预测方法 |
CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
Non-Patent Citations (1)
Title |
---|
刘智琦等: "基于因子分析与神经网络的区域物流需求预测" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915099A (zh) * | 2020-08-17 | 2020-11-10 | 北京交通大学 | 一种货运信息可视化的货运量预测系统 |
CN111915099B (zh) * | 2020-08-17 | 2024-05-03 | 北京交通大学 | 一种货运信息可视化的货运量预测系统 |
CN112014791A (zh) * | 2020-08-28 | 2020-12-01 | 陕西理工大学 | 存在阵列误差的阵列pca-bp算法的近场源定位方法 |
CN112014791B (zh) * | 2020-08-28 | 2024-01-19 | 安徽合擎智能机器人有限公司 | 存在阵列误差的阵列pca-bp算法的近场源定位方法 |
CN112200443A (zh) * | 2020-09-30 | 2021-01-08 | 山东财经大学 | 基于农产品冷链物流需求的物流节点布局优化方法及系统 |
CN112232746A (zh) * | 2020-11-03 | 2021-01-15 | 金陵科技学院 | 基于注意力加权的冷链物流需求估计方法 |
CN112232746B (zh) * | 2020-11-03 | 2023-08-22 | 金陵科技学院 | 基于注意力加权的冷链物流需求估计方法 |
CN116136989A (zh) * | 2023-04-14 | 2023-05-19 | 江苏物润船联网络股份有限公司 | 一种基于bp神经网络算法的港口货物流向统计方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008870A (zh) | 一种基于pca-bp神经网络模型的区域物流需求预测方法 | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
CN110135635A (zh) | 一种区域电力饱和负荷预测方法及系统 | |
CN114239681A (zh) | 变压器健康指数评估方法、装置、计算机设备和存储介质 | |
CN112668822B (zh) | 科技成果转化平台共享系统、方法、存储介质、手机app | |
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN101739614A (zh) | 层级组合预测通信业务的方法 | |
Zhang et al. | DEA efficiency prediction based on IG–SVM | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Chen et al. | Combining fuzzy iteration model with dynamic programming to solve multiobjective multistage decision making problems | |
Lin et al. | Intelligent prediction of the construction cost of substation projects using support vector machine optimized by particle swarm optimization | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
Niu et al. | Application of AHP and EIE in reliability analysis of complex production lines systems | |
CN113627977A (zh) | 一种基于异构图的房屋价值预测方法 | |
Guo et al. | Does renaming promote economic development? New evidence from a city-renaming reform experiment in China | |
CN114372835A (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
Li | [Retracted] Macroeconomic Short‐Term High‐Precision Combined Forecasting Algorithm Based on Grey Model | |
CN114330818A (zh) | 一种基于主要驱动因子筛选和深度学习的动态需水预测方法 | |
CN114066004A (zh) | 一种基于电力大数据的gdp现时预测方法 | |
Sai et al. | Forecasting air passenger data using various models | |
Gao et al. | Integrated Deep Neural Networks‐Based Complex System for Urban Water Management | |
Zhang et al. | Forecasting algorithm of regional economic development based on LPSVR | |
Peng et al. | A research on stock index prediction based on multiple linear regression and ELM neural network | |
Yi | The Application of Data Mining Technology Base on BP Neural Network for Forecasting the Share Price | |
Chen et al. | Study on Economic Development of Coastal Small Cities Based on Grey Adaptive Algorithm: Take the Data of Zhejiang Province as an Example |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |